给tensorflow训练的损失函数画图

在TensorFlow中，可以使用TensorBoard可视化训练过程中的损失函数。具体步骤如下：

1. 在训练过程中，定义一个tf.summary.scalar节点来记录损失函数的值。

loss_summary = tf.summary.scalar('loss', loss)

2. 创建一个tf.summary.FileWriter来将摘要写入TensorBoard日志目录。

summary_writer = tf.summary.FileWriter(log_dir, graph=tf.get_default_graph())

3. 在每个训练步骤中运行损失函数节点，并将结果添加到摘要中。

_, loss_val, summary = sess.run([train_op, loss, loss_summary], feed_dict=feed_dict)
summary_writer.add_summary(summary, global_step=global_step)

4. 在训练完成后，使用以下命令启动TensorBoard：

tensorboard --logdir=path/to/log-directory

5. 在浏览器中打开TensorBoard的URL，查看损失函数的图表。

注意：此处的“path/to/log-directory”应替换为您的TensorBoard日志目录的实际路径。

以下是示例代码：

import tensorflow as tf
import numpy as np

# 构建模型
x = tf.placeholder(tf.float32, [None, 1], name='input')
y_true = tf.placeholder(tf.float32, [None, 1], name='label')
w = tf.Variable(tf.zeros([1, 1]), name='weights')
b = tf.Variable(tf.zeros([1, 1]), name='bias')
y_pred = tf.matmul(x, w) + b

# 定义损失函数
loss = tf.reduce_mean(tf.square(y_true - y_pred))
loss_summary = tf.summary.scalar('loss', loss)

# 定义优化器
train_op = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

# 准备数据
x_train = np.random.rand(100, 1)
y_train = x_train * 2 + np.random.randn(100, 1) * 0.1

# 创建TensorBoard日志目录
log_dir = './logs'

# 创建会话并开始训练
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    # 创建摘要写入器
    summary_writer = tf.summary.FileWriter(log_dir, graph=tf.get_default_graph())

    # 开始训练
    for i in range(1000):
        feed_dict = {x: x_train, y_true: y_train}
        _, loss_val, summary = sess.run([train_op, loss, loss_summary], feed_dict=feed_dict)
        summary_writer.add_summary(summary, global_step=i)

    # 关闭摘要写入器
    summary_writer.close()

运行完上述代码后，执行以下命令启动TensorBoard：

tensorboard --logdir=./logs

然后在浏览器中打开TensorBoard的URL，即可查看损失函数的图表。